Python 带数值索引的熊猫系列重采样

假设我有一个带数值类型索引的熊猫系列，例如

pd.Series( [10,20], [1.1, 2.3] )

---

我们如何以0.1的间隔对上述序列进行重采样？看起来.resample func只在日期时间间隔上工作

因为浮点比较运算，我认为不能有非整数索引。但是，使用.1，您可以执行以下操作：

• 创建一个新的

  df=pd.DataFrame（index=range（100201））

  [这些现在将表示.1]
• 将100（最初为10）和200（最初为20）的值设置为1.1和2.3

• df.fillna（method='pad'，inplace=True）

---

而且，看起来你根本不需要使用索引，你只需要数据之间的间隔…

这就是所谓的插值。您可以将重采样视为插值的一种特殊情况

In [24]: new_idx = s.index + pd.Index(np.arange(1.1, 2.3, .01))

In [25]: s.reindex(new_idx).interpolate().head()
Out[25]: 
1.10    10.000000
1.11    10.083333
1.12    10.166667
1.13    10.250000
1.14    10.333333
dtype: float64

In [26]: s.reindex(new_idx).interpolate().tail()
Out[26]: 
2.26    19.666667
2.27    19.750000
2.28    19.833333
2.29    19.916667
2.30    20.000000
dtype: float64

我们需要

new_idx

将原始索引和要插值的值合并，这样原始索引就不会被删除

---

看看插值方法：

一个选项是使用“剪切”来对数据进行分类（比重采样要简单得多，但如下所示）：

如果您想使用how='sum'重新采样：

In [14]: s = s.groupby(s.index).sum()

In [15]: s = s.reindex(retbins)

现在有很多N，正如Tom所建议的，你现在可以插入：

In [16]: s.interpolate()

---

我认为在重新编制索引时2.3会下降，因此结果不会增加…很好的捕获。我应该仔细看看。对

reindex（）.interpolate（）

API与

s.reindex（at=new_idx）

的思考？最初，它主要是为了使

df.interpolate（）

更易于编写。我可以看到任何一种方式的参数。@AndyHayden和tom：浮点数现在作为索引值可靠吗？它们现在受

Float64Index

支持。但仍然有一些棘手的问题，所以我尽量避免它们。我认为使用切割更稳定，希望你/某人知道一个更好的方法！正如我们刚刚发现的那样，浮动非常灵活/敏感，但有时它们很有用。。。小心处理。

In [16]: s.interpolate()